ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK TESIS

Transkripsi

1 ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK TESIS FADHILLAH AZMI PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2016

2 ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika FADHILLAH AZMI PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2016

3 PERSETUJUAN Judul Tesis Kategori Nama Mahasiswa : ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK : TESIS : FADHILLAH AZMI NIM : Program Studi Fakultas : MAGISTER TEKNIK INFORMATIKA : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing Pembimbing 2, Pembimbing 1, Dr. Erna Budhiarti Nababan, M.IT Prof. Dr. Opim Salim Sitompul, M.Sc Diketahui/disetujui oleh Program Studi S2 Teknik Informatika Ketua, Prof. Dr. Muhammad Zarlis, M.Sc NIP:

4 PERNYATAAN ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALANPOLA ALFANUMERIK TESIS Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya. Medan, Agustus 2016 Fadhillah Azmi NIM

5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademika, saya yang bertanda tangan dibawah ini: Nama : Fadhillah Azmi NIM : Program Studi : Magister Teknik Informatika Jenis Karya Ilmiah : Tesis Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul: ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non- Eksklusif ini, berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta. Demikian pernyataan ini dibuat dengan sebenarnya. Medan, Agustus 2016 Fadhillah Azmi NIM

6 Telah diuji pada Tanggal: 26 Agustus 2016 PANITIA PENGUJI TESIS Ketua : Prof. Dr. Opim Salim Sitompul, M.Sc Anggota : 1. Dr. Erna Budhiarti Nababan, M.IT 2. Prof. Dr. Muhammad Zarlis, M.Sc 3. Dr. Poltak Sihombing, M.Kom

7 RIWAYAT HIDUP DATA PRIBADI Nama Lengkap : Fadhillah Azmi Tempat dan Tanggal Lahir : Medan, 29 Juli 1985 Alamat Rumah : Jln. Puyuh 8 No. 152 Perumnas Mandala Telepon/Fax/HP : azmi.fadhillah007@gmail.com Instansi Tempat Bekerja : Universitas Potensi Utama Alamat Kantor : Jln. Kol. Yos Sudarso Medan DATA PENDIDIKAN SD : SD Swastwa Al-Ittihadiyah Medan TAHUN : 1997 SMP : SMP Negeri 4 Medan TAHUN : 2000 SMA : SMA Negeri 5 Medan TAHUN : 2003 D3 : Teknik Telekomunikasi Politeknik Negeri Medan TAHUN : 2007 S1 : Teknik Elektro Universitas Negeri Medan TAHUN : 2012 S2 : Teknik Informatika TAHUN : 2016

8 UCAPAN TERIMA KASIH Puji syukur kepada Allah SWT memberikan anugrah yang luar biasa sehingga penulis dapat menyelesaikan tesis dengan judul: ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK. Penulis menyampaikan terima kasih yang sebesar-besarnya kepada : 1. Bapak Prof.Dr Runtung Sitepu SH, M.Hum selaku Rektor Universitas Sumatera Utara. 2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, sekaligus Pembimbing I yang telah banyak memberikan bimbingan dan arahan dalam menyelesaikan tesis ini. 3. Bapak Prof. Dr. Muhammad Zarlis, Ketua Program Studi Pascasarjana Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara Medan, sekaligus pembanding I yang telah memberikan saran dan kritik dalam menyelesaikan tesis ini. 4. Bapak Dr.Poltak Sihombing, M.Kom, selaku pembanding II yang telah banyak memberikan saran dan kritik dalam menyelesaikan tesis ini. 5. Bapak Dr. Erna Budhiarti. Nababan M.IT, Pembimbing II yang telah banyak memberikan bimbingan dan arahan dalam menyelesaikan tesis ini. 6. Bapak/Ibu Dosen Program Studi Pascasarjana Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi yang telah memberikan ilmunya selama masa perkuliahan. 7. Segenap sivitas akademika Program Studi Pascasarjana Teknik Informatika Sumatera Utara.

9 vii Ucapan terimakasih juga penulis sampaikan kepada : 1. Kedua Orangtua penulis Ayahanda Abdul Azis Arsyad dan Ibunda Mardiana tercinta yang telah memberikan kasih sayangnya, doa yang tak pernah putus serta dorongan moril maupun materil kepada saya sehingga dapat menyelesaikan tesis ini dengan baik. 2. Kakak penulis Syafitri Azmi, adik saya Elly Azmi dan Badrul Aini yang telah banyak memberikan dorongan dan bantuan kepada saya sehingga dapat menyelesaikan tesis ini. 3. Teman seperjuangan Ibu Erma Julita, Pak Indra, Kak Winda, Bang Aidil, Kak Ari Sellyana, dan rekan-rekan mahasiswa Program Studi Pascasarjana Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara khususnya angkatan reguler tahun 2013, dan semua pihak yang tidak dapat penulis sebutkan satu persatu pada tesis ini. Semoga Allah SWT Tuhan Semesta Alam membalas segala kebaikan dan bantuan yang telah diberikan. Medan, Agustus 2016 Penulis, Fadhillah Azmi

10 ABSTRAK Pembelajaran metode LVQ berada pada lapisan kompetitif yang mana lapisan tersebut akan belajar secara otomatis untuk mengklasifikasikan (clustering) vektor input ke dalam kelasnya. Di mana kelas yang dihasilkan tersebut tergantung pada jarak vektor input yang akan dihitung dan diambil jarak minimum-nya, selanjutnya akan dijadikan sebagai vektor bobot dan vektor input baru. Apabila ada ditemukan 2 vektor yang hampir sama maka lapisan kompetitif tersebut akan mengklasifikasikan vektor input ke dalam kelas yang sama. Di dalam metode LVQ, memiliki kelemahan yang menyangkut tentang perhentian learning error (α), dimana LVQ sering melewati solusi optimal (clustering), dalam hal ini tingkat kesalahan error rate minimal yang cukup jelas. sehingga diperlukan suatu metode pendekatan tertentu untuk meningkatkan akurasi pembelajaran pada jaringan syaraf tiruan metode LVQ. Pendekatan teknik atau metode yang akan dilakukan ke dalam jaringan syaraf tiruan metode Learning Vector Quantization (LVQ) menggunakan algoritma genetika, studi permasalahannya adalah pengenalan pola karakter alfanumerik berupa pola matriks biner [0, 1]. Parameter yang digunakan dalam algoritma genetika yaitu pembentukkan populasi, seleksi, crossover, dan mutasi yang dilakukan secara acak. Tujuan penelitian ini adalah untuk meningkatkan akurasi pembelajaran (accurate learning) Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika pada pengenalan pola alfanumerik. Kata Kunci : LVQ, algoritma genetika,akurasi pembelajaran, pengenalan pola.

11 ANALYSIS OF ACCURATE LEARNING IN LEARNING VECTOR QUANTIZATION (LVQ) USING ALGORITHM GENETICS IN ALPHANUMERIC PATTERN RECOGNITION ABSTRACT Training LVQ lies in the competitive layer, where the layer will automatically learn to classify (clustering) vector input into the class. Where the generated class the input vector depends on the distance to be calculated, and taken the minimum distance, will now serve as vectors of weights and a new input vector. If there are two or more vectors are almost the same, the competitive layer will classify input vectors into the same class. In the LVQ, have drawbacks concerning the stop learning error (α), which often pass LVQ optimal solution (clustering), in this case the error rate minimal is quite clear. So that we need a specific approach to improve the accuracy learning in neural network LVQ. Approach techniques or methods to be carried into the neural network of Learning Vector Quantization (LVQ) using a genetic algorithm, with the study of the problems that used pattern recognition alphanumeric characters in the form of a binary matrix pattern [0, 1]. In the genetic algorithm has several phases, namely the formation of a population, selection, crossover, and mutation were done randomly. The purpose of this research is to improve the accurate learning of Learning Vector Quantization (LVQ) using a genetic algorithm on the introduction of alphanumeric patterns. Keyword: LVQ, genetic algorithm, accurate learning, pattern recognition.

12 DAFTAR ISI Hal. HALAMAN JUDUL. i PERSETUJUAN ii PERNYATAAN ORISINALITAS iii PERSETUJUAN PUBLIKASI. iv PANITIA PENGUJI v RIWAYAT HIDUP.. vi UCAPAN TERIMA KASIH.... vii ABSTRAK viii ABSTRACT. ix DAFTAR ISI... x DAFTAR GAMBAR... xiii DAFTAR TABEL. xiv BAB 1 BAB 2 PENDAHULUAN 1.1. Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian.. 3 LANDASAN TEORI 2.1. Accurate Learning Lerarning Vector Quantitation (LVQ) Arsitekrtur Jaringan Alogaritma LVQ Alogaritma Genetika Struktur Alogaritma Genetika Operator Alogaritma Genetika. 9

13 xii Pengenalan Pola (Pattern Recognition) Penelitian-penelitian Terkait Penelitian Terdahulu Perbedaan Peneltian 13 BAB 3 BAB 4 BAB 5 METODOLOGI PENELITIAN 3.1. Pendahuluan Data yang digunakan Analisa Data Learning Vector Quantization (LVQ) Arsitektur Jaringan Alogaritma Learning Vector Quantization (LVQ) Pembelajaran Learning Vector Quantization (LVQ) dengan Alogaritma Genetik HASIL DAN PEMBAHASAN 4.1. Pendahuluian Hasil Pelatihan Pengujian Akurasi Pembelajaran Learning Vector Quantization (LVQ) Pada Pengenalan Pola Alfanumerik Hasil Pengujian Akurasi Pembelajaran Learning Vector Quantization (LVQ) Menggunakan Algoritma Genetika Pada Pengenalan Pola Alfanumerik Pembahasan Penelitian.. 47 KESIMPULAN DAN SARAN 5.1. Kesimpulan Saran DAFTAR PUSTAKA. 53

14 vii DAFTAR GAMBAR Hal. Gambar 2.1 Arsitektur Jaringan Learning Vector Quantization (LVQ) 5 Gambar 2.2. Proses Algoritma Genetika 7 Gambar 2.3. Struktur Umum Algoritma Genetika. 8 Gambar 3.1. Tahap I Pembelajaran dengan Learning Vector Quantization (LVQ).. 15 Gambar 3.2. Tahap II Pembelajaran Learning Vector Quantization (LVQ) dengan Menggunakan Algoritma Genetika.. 16 Gambar 3.3. Arsitektur Jaringan LVQ Gambar 3.4. Algoritma LVQ.. 18 Gambar 3.5. Pembelajaran LVQ dengan Menggunakan Algoritma Genetika. 23 Gambar 4.1. Grafik Pengujian Pengenalan Pola Alfanumerik dengan Learning Vector Quantization (LVQ).. 40 Gambar 4.2. Grafik Pengujian Pengenalan Pola Alfanumerik Learning Vector Quantization (LVQ) deng Menggunakan Algoritma Genetika Gambar 4.3. Akurasi Pembelajaran LVQ dan LVQ Menggunakan Algoritma Genetika 49

15 viii DAFTAR TABEL Hal. Tabel 2.1. Perbedaan penelitian yang dilakukan oleh peneliti yang lain. 11 Tabel 3.1. Pola matriks input alfanumerik. 19 Tabel 3.2. Inisialisasi bobot dan data input proses training LVQ 19 Tabel 3.3. Data Bobot.. 20 Tabel 3.4. Data Pelatihan. 20 Tabel 3.5. Perhitungan data berikutnya untuk epoch ke Tabel 3.6. Pembentukkan populasi awal. 25 Tabel 3.7. Proses crossover data pelatihan 27 Tabel 3.8. Generasi baru yang dibentuk dari crossover 27 Tabel 3.9. Generasi baru yang dibentuk dari mutasi 28 Tabel Inisialisasi Bobot dan Data Input Proses Training LVQ. 29 Tabel 3.11 Data Bobot. 29 Tabel Data Pelatihan 29 Tabel Perhitungan data berikutnya untuk epoch ke 1 32 Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ 35 Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika.. 41 Tabel 4.3. Akurasi Pembelajaran LVQ dan LVQ dengan Menggunakan Algoritma Genetika 48